继续请教问题:关于 Pytorch 的 Autograd

雷达

- v$ \7 d, c, V% z6 u为预防老年痴呆，时不时学点新东东玩一玩。
" K0 x7 z% K8 Y3 _, C  dPytorch 下面的代码做最简单的一元线性回归：
----------------------------------------------
1 S1 \8 r4 S8 Y7 f& k& X4 r; `import torch
+ i. Z' t+ P! h% m: ?: a& yimport numpy as np
import matplotlib.pyplot as plt
import random
2 h+ E9 J% ~5 W% E9 O* U1 ^
4 I0 l) a3 G" r0 f+ t9 Cx = torch.tensor(np.arange(1,100,1))
y = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15
( e0 ?; t/ _' d8 e1 U- k+ f% W
w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
! `- n2 q7 B3 u1 v, F3 g8 q$ sb = torch.tensor(0.,requires_grad=True)
0 }4 J! ]  `- y5 K: a* E) k
epochs = 100

( V# w& `7 B& k# e, O1 @' Ylosses = []
  M+ W# z, ]9 v/ s1 gfor i in range(epochs):
; |+ h0 b* e/ F7 k+ e; p% P  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)
/ \( H5 G( ~. L# Y' M  d' Q
1 `/ E, a, i8 b4 M2 ]2 M# K; `* f  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
  
1 k! F5 u. \& K  loss.backward() # autograd
$ g% O( O' V8 {! S  with torch.no_grad():
1 E/ p% M! U1 [3 N7 _: H& g    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
, Y7 ?2 y& C' L/ n8 q# x1 n. M# `$ g  w.grad.zero_()  
/ @- _4 D  h4 [, v) O2 T! d; B  b.grad.zero_()
4 F8 z$ U" u/ x+ e: U
4 e9 p* {0 Z: {print(w.item(),b.item()) #结果

/ l# d7 ], h# `% ^9 ]9 ]" t4 S/ `Output： 27.26387596130371  0.4974517822265625
----------------------------------------------
最后的结果，w可以回到 w0 = 27 附近，b却回不去 b0=15。两处红字，损失函数是矢量计算后的均值，感觉 b 的回归表达有问题。
高手们帮看看是神马原因？

老福

没有用过pytorch，但你把随机噪音部分改成均值为0的正态分布再试试看是不是符合预期？
-------
不好意思，再看一遍，好像你在自算回归而不是用现成的工具直接出结果，上面的评论只有一点用，就是确认是不是算法有问题。
-------
算法诊断部分，建议把循环次数改为1000, 再看看loss是不是收敛。有点怀疑你循环次数不够，因为你起点是0, 步长很小。只是直观建议。

雷达

老福 发表于 2023-2-14 19:23
  I# w% D( C# U9 U没有用过pytorch，但你把随机噪音部分改成均值为0的正态分布再试试看是不是符合预期？
9 Z/ M* \5 X$ C8 M2 X! H-------
/ q9 i) W; c' E3 |1 K) i* S3 |不好意思， ...

$ T! ]4 t2 m/ D谢谢，算法应该没问题，就是最简单的线性回归。
我特意没有用现成的工具，就是想从最基本的地方深入理解一下。

老福

雷达 发表于 2023-2-14 21:52
; A7 C0 l" p$ F& h) p9 b, T谢谢，算法应该没问题，就是最简单的线性回归。
我特意没有用现成的工具，就是想从最基本的地方深入理解 ...

' C, B* U& \" e, X2 o1 L0 }
/ C$ C3 I! V4 H" @% r刚才更新了一下，建议增加循环次数或调一下步长，查一下loss曲线。
/ S" A" @) D. I) Z- `& i  s8 a% }% B
" g% z" g) s$ A' {. c或者把b但的起点改为1试试。

雷达

老福 发表于 2023-2-14 22:00
刚才更新了一下，建议增加循环次数或调一下步长，查一下loss曲线。
/ U' k2 Q9 {$ `+ f7 H% \
1 g" _& s- v" t或者把b但的起点改为1试试。 ...

你是对的。
' x& V0 y" S" |( i. `/ \2 ~; c去掉了随机部分
#y = (x*27+15+random.randint(-2,3)).reshape(-1)
8 d% C- n7 F6 y5 ?3 vy = (x*27+15).reshape(-1)
' l$ e8 X% r6 }2 A( n
3 Z* u1 h7 s! p循环次数加成10倍，就看到 b 收敛了
3 H1 v) x+ s# jw , b
+ m" w2 i- J1 K# T! i' [0 m! F27.002620697021484 14.826167106628418
! j: z) H# k3 p" G  }
/ f/ ^- B7 Y7 X- @和 b 的起始位置无关，但 labeled data 用 y = (x*27+15+random.randint(-2,3)).reshape(-1) ，收敛就很慢。